[图片] 分享嘉宾：朱杰明 华为诺亚方舟实验室 编辑整理：张奥宇 AWS 出品平台：DataFunTalk 导读： 经过多年的技术进步，推荐系统场景已经从最开始的协同过滤，发展到了现在的深度学习为核心的阶段。随着深度学习模型的体量逐渐变大后，其优化的难度也在增大，特别在推理性能上的限制下，最后模型的 ....

作者：邦祝 淘系技术 稿 本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第七篇。 第一篇指路： 淘系技术 | 冷启动系统优化与内容潜力预估实践 第二篇指路： 淘系技术｜GNN 在轻应用内容推荐中的召回实践 第三篇指路：淘系技术｜基于特征全埋点的精排OD ....

作者：阅谦、豆苗 淘系技术 稿 本专题共8篇内容，包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题第一篇。 在召回侧基于GNN和向量解耦表征技术缓解了零少行为用户推荐的马太效应；排序侧通过模型的在线深度学习、生成式重排、下拉深度优化等技术大幅度提升了内容分发效率和推 ....

文章目录 1、前言与算法简述 2、AHP层次分析法过程 2.1 构建层次评价模型 2.2 构造判断矩阵 2.3 层次单排序与一致性检验 2.3.1 层次单排序 2.3.2 求解最大…

本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第二篇。 第一篇指路： 淘系技术 - 冷启动系统优化与内容潜力预估实践 前言 每平每屋是阿里巴巴旗下家居家装平台，涵盖淘宝每平每屋家居频道、每平每屋设计家、每平每屋App、每平每屋制造业等家居全链路服务，为 ....

本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第四篇。 第一篇指路： 淘系技术 | 冷启动系统优化与内容潜力预估实践 第二篇指路： 淘系技术｜GNN 在轻应用内容推荐中的召回实践 第三篇指路：淘系技术｜基于特征全埋点的精排ODL实践总结 前言 在每平每 ....

欢迎加群交流数据分析： 一、基本知识 数据的种类 我们都知道，一般数据可以分为两类，即定量数据（数值型数据）和定性数据（非数值型数据），定性数据很好理解，例如人的性别，姓名这些都是…

So, What is the Kano Model? Noriaki Kano，一名日本研究学者、咨询师，他在1984年发表了一篇论文，提出一套帮助我们确定用户（和潜在用户）对产…

本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第四篇。 第一篇指路： 淘系技术 | 冷启动系统优化与内容潜力预估实践 第二篇指路： 淘系技术｜GNN 在轻应用内容推荐中的召回实践 第三篇指路：淘系技术｜基于特征全埋点的精排ODL实践总结 第四篇指路： ....

Pandas的style用法在大多数教程中见的比较少，它主要是用来美化DataFrame和Series的输出，能够更加直观地显示数据结果。 下面采用某商店的零售数据集，通过实际的应…

前年，手机开始流行渐变色，我们帮助某厂商做手机外观的CMF偏好测试。我们大概测了十几个手板，有经典的黑色银色，更多的是各种渐变色。研究设计时，我们遇到一个挑战：如果只能推出四种颜色…

本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第六篇。 第一篇指路： 淘系技术 | 冷启动系统优化与内容潜力预估实践 第二篇指路： 淘系技术｜GNN 在轻应用内容推荐中的召回实践 第三篇指路：淘系技术｜基于特征全埋点的精排ODL实践总结 第四篇指路： ....

[图片] 分享嘉宾：苏涛 极验 高级算法工程师 编辑整理：王姝琪 北京理工大学 出品平台：DataFunTalk 导读： 验证码作为网络安全的第一道屏障，其重要程度不言而喻。当前，卷积神经网络的高速发展使得许多验证码的安全性大大降低，一些新型验证码甚至选择牺牲可用性从而保证安全性。针对对抗样本技术的 ....

这篇文章为大家整理一下实际使用中比较高频的一些用法，当然还会有一篇关于时间序列处理的文章。在这里需要强调一点就是，不建议初学者上来就把Pandas中所有的方法都啃一遍，这样效率太低…

为了方便维护，一般公司的数据在数据库内都是分表存储的，比如用一个表存储所有用户的基本信息，一个表存储用户的消费情况。所以，在日常的数据处理中，经常需要将两张表拼接起来使用，这样的操…

[图片] 作者幻士 大淘宝技术 稿 导语： 搜索召回作为搜索系统的基础，决定了效果提升的上限。如何在现有的海量召回结果中，继续带来有差异化的增量价值，是我们面临的主要挑战。而多模态预训练与召回的结合，为我们打开了新的视野。 前言 多模态预训练是学术界与工业界研究的重点，通过在大规模数据上进行预训练， ....

进行金融数据分析或量化研究时，总避免不了时间序列数据的处理，时间序列是指在一定时间内按时间顺序测量的某个变量的取值序列。常见的时间序列数据有一天内随着时间变化的温度序列，又或者交易…

在日常的数据处理中，经常会对一个DataFrame进行逐行、逐列和逐元素的操作，对应这些操作，Pandas中的map、apply和applymap可以解决绝大部分这样的数据处理需求…

[图片] 作者：腾驹 稿 TPP图化致力于打造一个算法在线服务领域易用、性能极致、迭代效率远超普通方式的产品。本文将介绍TPP图化以及2021年在性能、开发体验上的改进，并介绍未来TPP图化的规划。 01 背景 TPP是阿里个性化算法开发平台，依托阿里AI·OS引擎（特征、召回、打分等引擎）为众多 ....

分析方法视频解读：B站优酷 案例数据下载 下载 数据格式说明 查看 KANO模型由东京理工大学教授狩野纪昭(Noriaki Kano)发明，其用于分析用户对于各类需求的排名偏好情况…